وبلاگ

:

 

ازجمله مسائل مهم در مدیریت بحران حوادث غیرمترقبه طبیعی به ویژه زلزله، مکان یابی بهینه به منظور اسکان شهروندان در هنگام و یا پس از بروز حادثه می‌باشد. یكی از مشكلات بزرگ سازمان‌های درگیر در مدیریت بحران شهری، فقدان یک مدل مكانی جامع به منظور اعمال مدیریت واحد در انتقال ساكنین شهر به مکان‌های اسكان موقت از پیش تعیین شده پس از وقوع حادثه می‌باشد. بهینه­سازی فرایند اسکان موقت در سه فاز تعیین مکان­های بهینه امن، تعیین مسیرهای بهینه و تخصیص جمعیت به اماکن امن صورت می گیرد. هدف از انجام این تحقیق پیاده سازی و بررسی نتایج الگوریتم بهینه سازی کلونی مورچه (ACO ) در مکان­ یابی پناهگاه اسکان موقت با تعیین مسیرهای بهینه و تخصیص جمعیت به مکان­های امن در شهر کرمان بعنوان منطقه مورد مطالعه می­باشد.

 

با ایجاد تغییرات لازم در اجرای الگوریتم ACO در حل مسئله فروشنده دوره­گرد، مراحل مربوط به مکانیابی و تخصیص در قالب یک مدل مکانی طراحی شده است. این مدل بر اساس یک تابع هدف به منظور کمینه کردن هزینه انتقال جمعیت بلوک های ساختمانی و سه محدودیت میانگین سرریز/کمریز، حداکثر تعداد مکان­های انتخاب شده و میانگین تناسب مکانی، به گونه­ ای طراحی شده است که قیود مسئله  تضمین کننده کیفیت جواب­های مدل می­باشد. برای تصمیم گیری در مورد بهینه بودن راه حل ها در ACO از روش ارزیابی چند معیاره استفاده شد.

 

به منظور بهبود نتایج، حساسیت مدل نسبت به تغییر پارامترهای فرومون و تابع ابتکاری الگوریتم ACO مورد ارزیابی قرار گرفت و مقادیر مناسب و بهینه آنها تعیین شد. با در نظر گرفتن قیود تعیین شده و همچنین نمودار همگرایی تابع هدف، بهترین عملکرد در کاهش نهایی تابع هدف توسط مدل مشخص شد و علاوه بر آن، نتایج حاصل از تست تکرارپذیری نشان دهنده پایداری و ثبات جواب­های الگوریتم مورد بررسی می­باشد. نتایج تخصیص جمعیت به مکان­های امن، وابستگی انکارناپذیری به نحوه توزیع اماکن امن و ظرفیت آنها و همچنین پراکندگی و جمعیت بلوک­های ساختمانی دارد. میانگین فاصله طی شده تا نزدیکترین مکان امن در مدل نهایی تخصیص برابر با 1200 متر می باشد اما به دلیل عدم توزیع مناسب این مکان­ها با توجه به توزیع جمعیت در سطح شهر، بیش از 40 درصد جمعیت فاصله ایی بیش از 1500 متر را تا نزدیکترین مکان امن انتخاب شده باید طی کنند. در نتیجه جستجو و تاسیس مراکز امن جدید برای کاهش این فاصله ضرورت دارد. نتایج نشان می­ دهند که استفاده از الگوریتم ACO، قابلیت­های زیادی برای ترکیب با سیستم­های اطلاعات جغرافیایی برای حل مسئله مکان­ یابی و تخصیص که نیازمند محیط شبیه­سازی پویا (تغییر ترکیب مکانهای امن – تغییر ظرفیت) می­باشند، دارا می با­شد.

 

فصل اول: کلیات تحقیق

 

1-1- طرح مسأله

 

طی یکصد سال گذشته، سیزده زلزله به بزرگی بیشتر از هفت ریشتر در ایران اتفاق افتاده و این در حالی است که روستاهای ما در برابر زلزله 5 ریشتری و شهرهای ما در برابر زلزله 6 ریشتری به شدت آسیب پذیر هستند. کاهش اثرات جانبی زلزله یا به عبارت دیگر، کاهش آسیب‌هایی همچون اجتماعی و زیربنایی در زمان وقوع زلزله، زمانی به وقوع خواهد پیوست که فازهای مختلف مدیریت بحران در تمامی سطوح برنامه ­ریزی مد نظر قرار گیرد. اما هر تصمیم ­گیری و برنامه ­ریزی صحیح، نیازمند اطلاعات صحیح، دقیق و به روز و تحلیل آن‌ ها می‌باشد. به دلیل اینکه اکثر اطلاعات مورد نیاز در مقوله شهری و زلزله بیشتر ماهیت مکانی دارند، لذا علم و فناوری سیستم اطلاعات جغرافیایی با قابلیت جمع آوری داده‌های مکانی و غیر مکانی، ذخیره سازی، بروزرسانی، آنالیز، مدل‌سازی و نمایش اطلاعات مکانی می‌تواند به عنوان علم و فناوری بهینه، در جهت ساماندهی و تجزیه و تحلیل جامع و سریع اطلاعات و کمک به اخذ تصمیمات مناسب در مدیریت بحران، مورد استفاده قرار گیرد(آقامحمدی، 1379). از طرفی باید توجه داشت که محیط سیستم‌های اطلاعات جغرافیایی، محیطی استاتیک می‌باشد و قابلیت شبیه سازی پویا را ندارد. هوش مصنوعی به ویژه عامل‌های هوشمند قادر به رفع نقاط ضعف بوده و می‌توانند در تعامل و حتی ترکیب با سیستم‌های اطلاعات جغرافیایی نقشی موثر در مدیریت بحران ایفا کنند (رجبی، 1388).

 

الگوریتم‌های هوشمند در GIS قابلیت آن را در قاعده‌مند کردن تصمیمات به طور مناسبی ارتقاء بخشیده‌اند که برنامه ریزی مکانی پیچیده و بهینه سازی منابع از آن جمله می‌باشند (Birkin, et al., 1996; Bong, et al., 2004).  ازجمله روش­های هوش مصنوعی که از آن به عنوان یک روش فراابتکاری یاد می‌شود، الگوریتم بهینه سازی کلونی مورچه (ACO) می‌باشد. این روش اولین بار توسط دوریگو در رساله دکترا خود در سال 1992 به عنوان یک راه حل چند عامله برای حل مسائل پیچیده بهینه سازی توسعه داده شده است. اولین کاربرد موفق آن، حل مسئله فروشنده دوره گرد (TSP) می‌باشد(Dorigo, 1992) که سبب شد تا کارایی آن در حل سریع مسائل بهینه­سازی ترکیبی اثبات شود. در سال‌های اخیر کاربردهای فراوانی از بکارگیری در مسائل بهینه­سازی پیچیده نظیر انتخاب اشیاء و تشخیص حالت چهره، مسیریابی

 وسایل نقلیه(White, et al., 1998)، تخصیص(Maneizzo, et al., 1994)، طراحی و بهبود شبکه حمل و نقل و تکنیک‌های فراگیری ماشین(Parpinelli, et al., 2002) و… ارائه گردیده است.

 

با توجه به آنچه درمورد اهمیت و ضرورت توجه به بحران زلزله و لزوم برنامه ­ریزی برای مقابله با پیامدهای بعد از آن بیان شد، در این تحقیق با بهره گرفتن از قابلیت­های سیستم های اطلاعات جغرافیایی و الگوریتم ACO، مکانیابی پناهگاه­های اسکان موقت بعد از زلزله به منظور تخصیص جمعیت آسیب دیده، به عنوان یک مسئله بهینه سازی در دنیای واقعی انجام گرفته است.

 

2-1- ضرورت انجام تحقیق

 

امروزه با توجه به روند رو به رشد جمعیت و تراکم جمعیتی در مناطق شهری علی‌الخصوص در شهرهای پر جمعیت و مستعد از نظر لرزه­خیزی، لزوم نگرشی همه جانبه و فراگیر به حوادث طبیعی و فجایع ناشی از بروز آن‌ ها بیش از پیش جلوه نموده است. اثرات زیان‌بار ناشی از تمرکز بیش از اندازه جمعیت در محدوده‌های خاص شهری در کنار فقدان برنامه ­ریزی پیشگیرانه و عدم آمادگی لازم جهت مقابله با حوادثی نظیر زلزله تهدیدی بسیار جدی و مهم برای جان شهروندان و تداوم حیات شهری به شمار می‌رود (باقرپور،1389).

 

ازجمله مسائل مهم در مدیریت بحران به ویژه در زمینه حوادث غیرمترقبه، مکان­ یابی بهینه به منظور اسکان شهروندان در مواجهه و یا پس از بروز حادثه می‌باشد. به دلیل دخالت عوامل و پارامترهای متعدد در این مسئله، مکان­ یابی این گونه اماکن دارای پیچیدگی زیادی است( صمدزادگان و همکاران, 1384). در ایران مکان­گزینی برای اسکان موقت به طور تجربی پس از بروز سانحه و بدون در نظر گرفتن استانداردهای لازم توسط سازمان‌های امدادرسان انجام می‌گیرد. تجربیات به دست آمده از موارد گذشته نشان می‌دهد که هنگام بحران اگر ضوابط برنامه ­ریزی و اجرای اسکان موقت از قبل معین نشوند، در ایجاد سکونتگاه موقت و تخصیص بلوک‌های جمعیتی به نواحی امن، عوامل غیرقابل پیش ­بینی دخالت کرده و به انواع مختلف بر کیفیت آن اثر می‌گذارند. عدم رعایت مکان­گزینی صحیح ممکن است فاجعه دیگری به مراتب وخیم‌تر از سانحه اولیه به دنبال داشته باشد(اشراقی, 1385). در راستای مدیریت اضطراری بحران ناشی از زمین­لرزه و جلوگیری از تلفات سنگین جانی با توجه به تراكم بالای جمعیتی و تنوع عوارض شهری، طراحی و پیاده سازی یک مدل بهینه سازی و جامع به منظور مكانیابی بهینه مکان‌های اسكان و تخصیص جمعیت به آن‌ ها در چهارچوب یک سیستم اطلاعات مكانی از اهمیت بالایی برخوردار است( صمدزادگان و همکاران, 1384).

 

زمانی که بخواهیم مکانیابی را در فضای ترکیبی داده‌ها و با لحاظ کردن اهداف متعدد اجرا و فرایند بهینه­سازی مکانی را بروی اهداف انجام دهیم، به دلیل وجود محاسبات پیچیده و زمان بر و علما در بعضی مواقع غیر ممکن بودن اجرای مدل، روش­های مرسوم در این زمینه کارایی لازم را در ارائه نتایج بهینه نخواهند داشت. ورود روش‌های هوش مصنوعی از جمله هوش جمعی به عنوان Geocomputation در GIS به منظور بهینه سازی هر چه بیشتر فرایند مکانیابی در­حل­این­مشکل­کمک­بسزایی­نموده ­اند(LI, et al., 2009).  

 

پیچیدگی موجود در توزیع مكانی جمعیت و ساختمان‌ها در كنار خصوصیات مكانی و توصیفی دیگر عوارض شهری كه منجر به تعریف انواع مختلف سطوح دسترسی می‌شود، باعث شده است تا در این نوع مدل‌سازی با معیارهای بهینه­سازی معمول در این نوع مسائل(فاصله تا کاربری‌های سازگار و ناسازگار و همچنین حداقل کردن هزینه‌های بهینه­سازی) درگیر شویم (صمدزادگان و همکاران 1384). با این وجود، یكی از مشكلات بزرگ سازمان‌های درگیر در مدیریت بحران شهری، فقدان یک مدل مكانی جامع به منظور اعمال یک مدیریت واحد در انتقال ساكنین شهر به مکان‌های اسكان موقت از پیش تعیین شده پس از وقوع حادثه می‌باشد. این مسئله، به نوبه خود وابسته به مكان­یابی بهینه مکان‌های اسكان موقت ساکنین با توجه به معیارهای مطرح بهینه­سازی درگیر در مسئله تحت بررسی می‌باشد.

 

    در مکانیابی پناهگاه اسکان موقت، به دلیل نیاز به مساحت زیاد جهت اسکان جمعیت، با مسئله متفاوتی نسبت به دیگر مسائل مکان­ یابی مواجه هستیم. چرا که مکان‌های قابل استفاده و مجاز برای این منظور از قبل شناسایی شده‌اند. بر خلاف قاعده معمول، هدف یافتن مکان­های جدید نیست بلکه بهینه­یابی ترکیبی از مکان­های موجود می­باشد. ولی با در نظر گرفتن جمعیت شهر و نسبت جمعیت نیازمند به اسکان موقت، نیازی به بکارگیری تمامی آنها نمی باشد. بنابراین انتخاب یک مجموعه از مکان­های موجود از بین حالتهای مختلف، مسئله­ایست که نیازمند بکارگیری روشی مناسب، هدفمند و علمی می­باشد. با­توجه ­به اینکه بهینه­سازی فرایند اسکان موقت در سه فاز تعیین مکانهای بهینه امن، تعیین مسیرهای بهینه و تخصیص جمعیت در اماکن هدف صورت می گیرد (Saadat seresht, et al., 2009)، هدف از انجام این تحقیق پیاده­سازی و بررسی نتایج الگوریتم بهینه سازی کلونی مورچه در بهینه سازی مکانیابی پناهگاه اسکان موقت با در نظر گرفتن همزمان فاز دوم و سوم در اجرای آن می باشد. این نوع بهینه سازی با در نظر گرفتن هر سه مولفه اسکان موقت به طور همزمان در یک مدل و با بهره گرفتن از الگوریتم ACO، در ایران به صورت مدون و کامل کمتر مورد توجه محققین قرار گرفته است. تحقیقات انجام شده بیشتر در فاز سوم اسکان موقت (تخصیص جمعیت) بوده و مرحله اول و دوم در بعضی موارد به صورت پیش فرض بهینه در نظر گرفته و در نواحی خاصی از تهران مورد تحقیق قرار گرفته­اند. در این تحقیق با ایجاد تغییرات لازم در اجرای الگوریتم ACO، مراحل مربوط به مکان­ یابی و تخصیص جمعیت طراحی شده است. این مسئله با تعیین یک تابع هدف هزینه و سه محدودیت میانگین سرریز/کمریز، حداکثر تعداد مکان­های انتخاب شده و میانگین تناسب مکانی طراحی شده است. تابع هدف، هزینه انتقال جمعیت بلوک­های ساختمانی را کمینه می­نماید، ضمن اینکه میزان میانگین سرریز/کمریز مکان­های امن، تعداد مکان­های انتخاب شده و دارا بودن تناسب مکانی بالاتر از میانگین، به عنوان قیود، تضمین کننده کیفیت جواب های مسئله می­باشد. استفاده از روش ارزیابی چند معیاره در ترکیب با الگوریتم ACO به عنوان تابع هیوریستیک، یکی دیگر از مواردی است که در این تحقیق اجرا شده است.

 

بر اساس آنچه در مورد زمین شناسی و  موقعیت کرمان نسبت به سوابق تاریخی لرزش و گسل های منطقه و همچنین تحلیل خطر لرزه­ای شهر کرمان با روش های احتمالاتی و تحلیلی که انجام گرفته است (حسن زاده، 1385)، شهر کرمان در یکی از فعالترین واحدهای لرزه زمین ساخت واقع شده است. نتایج این تحلیل­ها حاکی از احتمال وقوع زلزله نزدیک به 7 ریشتر در طی هر 10 سال در محدوده­ای به شعاع 300 کیلومتر نسبت به شهر کرمان می­باشد. بدین منظور شهر کرمان بدلیل موقعیت جغرافیایی خاص خود از منظر زلزله­خیزی و سابقه زلزله اخیر (آذرماه 91)، به عنوان مطالعه موردی در این تحقیق مورد بررسی قرار گرفته است.

 

[1] Ant Colony Optimization

 

[2] Multi Agent

 

[3] Travel Salesman Problem

 

[4] Machine Learning